[发明专利]基于梯度向量的特征点描述算子的图像匹配方法及系统

权利要求书

1.一种基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，包括以下步骤：

S1、采集原图像与目标图像，并检测原图像与目标图像中特征点；

S2、根据步骤S1中原图像与目标图像中特征点，分别基于梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

S3、根据步骤S2中原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

S4、根据步骤S3中特征点距离进行原图像与目标图像的匹配。

2.根据权利要求1所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、根据步骤S1中检测出的原图像与目标图像特征点，构建以各特征点为中心的预设大小的特征点邻域；

S22、计算步骤S21中特征点邻域内各邻域点在各方向上的梯度幅值，表示为：

其中，为特征点邻域内各邻域点在i方向上对应的梯度幅值，p_i为特征点邻域内各邻域点在i方向上像素值，p_c为特征点邻域内邻域中心点像素值；

S23、选择步骤S22中各邻域点在各方向上的梯度幅值大小前两位组成各邻域点的梯度向量；

S24、遍历原图像与目标图像中特征点邻域内各邻域点，根据步骤S23中梯度向量分别构建特征点描述算子，表示为：

V＝(d₁,…,d_m)

其中，V为特征点描述算子，d_m为特征点邻域内各邻域点的梯度向量，m为特征邻域内邻域点总数。

3.根据权利要求1所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S3具体为：

依次计算步骤S2中原图像各特征点描述算子与目标图像中所有特征点描述算子间向量点积，并对计算结果进行归一化，得到原图像内各特征点与目标图像中所有特征点间特征点距离。

4.根据权利要求3所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S3中对原图像各特征点描述算子与目标图像中所有特征点描述算子的归一化向量点积的计算方式表示为：

其中，s_k为原图像与目标图像中各特征点间描述算子的归一化向量点积，n为描述算子向量维度，V_s为原图像中各特征点描述算子，V_d为目标图像中各目标图像特征点描述算子，d_sl与d_dl分别为原图像和目标图像中特征点描述算子中第l维向量，分别表示第l维向量中原图像的最大梯度数值与第二大梯度数值；和分别表示第l维向量中目标图像的最大梯度数值与第二大梯度数值。

5.根据权利要求1所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，所述步骤S4具体为：

根据步骤S3中原图像内各特征点与目标图像中所有特征点间特征点距离，选择最大特征点距离对应的目标图像中特征点作为原图像中各特征点的匹配点，完成原图像各特征点与目标图像中特征点的匹配。

6.一种基于梯度向量的特征点描述算子的图像匹配系统，应用权利要求1至权利要求5任一所述的基于梯度向量的特征点描述算子的图像匹配方法，其特征在于，包括：

特征点检测模块用于采集原图像与目标图像，并检测原图像与目标图像中特征点；

特征点描述算子构建模块用于根据梯度向量构建原图像特征点描述算子与目标图像特征点描述算子；

特征点距离计算模块用于根据原图像特征点描述算子与目标特征点描述算子计算原图像与目标图像间特征点距离；

特征点匹配模块用于根据特征点距离对原图像与目标图像进行匹配。